[发明专利]一种基于弥散张量成像的抑郁症患者疾病恢复的评估方法

说明书

本发明公开了一种基于弥散张量成像的抑郁症患者疾病恢复的评估方法，包括以下步骤：构建建模样本的大脑结构网络；确定Rich club结构；构建Feeder‑local子网络；构建特征矩阵；利用支持向量回归，将构建的特征矩阵作为特征集合，采取多项式核函数，构建评估模型。本发明以客观的影像学数据来对疾病的恢复过程进行评价，纯数据驱动，完全基于Rich club结构分层后的Feeder‑local子网络的拓扑结构相似性模型研究来判断患者的疾病的恢复程度，不需借助医生或患者的参与，避免了主观因素带来的误差。

技术领域

本发明涉及疾病恢复的评估方法，具体涉及一种基于弥散张量成像的抑郁症患者疾病恢复的评估方法。

背景技术

目前，抑郁症患者经过一段时间的治疗后，功能恢复状况的临床诊断主要是临床医生通过症状的缓解，并结合汉密尔顿抑郁量表(HAMD)、大体评定量表(GAS)等量表，通过医师评估及患者自评得到的。这种方式具有很强的主观性，对临床医生的问询经验有极高的要求。另外，症状的外显往往会迟于脑环路的改变。这些因素都导致难以客观及时地反映患者的真实恢复程度。抑郁症患者经过急性期治疗，脑结构和功能活动水平可以得到一定程度的恢复，但是疾病导致的脑网络损伤靶点和疾病缓解过程的恢复环路可能存在不一致。

发明内容

发明目的：为了解决现有技术中抑郁症患者疾病恢复主观性评估的问题，本发明提出了一种基于弥散张量成像的抑郁症患者疾病恢复的评估方法。

技术方案：本发明所述一种基于弥散张量成像的抑郁症患者疾病恢复的评估方法，包括以下步骤：

(1)构建建模样本的大脑结构网络SN(Structural Network)；

(2)计算大脑组平均网络中的规格化Rich club系数，确定Rich club结构；

(3)构建Feeder-local子网络；

(4)计算建模样本中每两个样本的Feeder-local子网络的相似性度量，构建特征矩阵；

(5)利用支持向量回归，将步骤(4)构建的特征矩阵作为特征集合，采取多项式核函数，构建评估模型。

步骤(1)所述大脑结构网络SN(Structural Network)按如下方法构建：对建模样本中每个样本的弥散张量成像的数据，使用自动解剖标记模板(ALL结构模板)，将人脑划分为90个脑区，每个脑区即为所述大脑结构网络的节点，对每两个脑区之间进行纤维素示踪，将纤维素中的水分子扩散各向异性分数(FA)作为每两个脑区之间边的权值。

步骤(2)所述大脑组平均网络按如下方法计算：设定阈值t，N表示建模样本中的样本数目，当所有建模样本的大脑组织网络相同连接位置存在的连接大于tN时，则认定此处的功能连接存在，计算所有建模样本大脑结构网络中非零连接的算数平均数作为大脑组平均网络该条连接的权值，以此类推，得到大脑组平均网络。

所述阈值t为0.3～0.9；在本模型的一个最佳实例中，阈值t为0.7。

步骤(2)所述Rich club结构定义如下：

(1)大脑结构网络的Rich club系数φ^w(k)计算方法为：

大脑结构网络是一种以纤维素中的水分子扩散各向异性分数为权值的加权网络；k是指节点的度，度代表了和该节点相关联的边的条数。Ek是度值高于k的连接的数量，W_k是度值高于k的连接的权重之和，是指按照边的权值从大到小排序后前E条连接的权重。按照连接权重从大到小排序后前E条连接的权重之和；

(2)规格化的Rich club系数计算方法为：